随着自主 AI 智能体由“对话式助手”跃升为真正的“科学协作伙伴”，制药行业正跨入 AI 深度变革的新阶段 —— 药物发现全流程已从“AI 辅助”跨越至“AI 深度编排”的新格局。为推动“医药超智能（Pharmaceutical Superintelligence）”时代的到来，由生成式人工智能（AI）驱动的临床阶段生物医药科技公司英矽智能（Insilico Medicine，HKEX：3696） 日前举办了2026年Pharma.AI 秋季网络研讨会。
本次研讨会英矽智能展示了其拥有套互联互通的能力，可将人工智能应用于科学工作。MMAI Gym 用于开发专业模型；基准测试帮助研究人员评估模型性能；Generative Biologics、Chemistry42 和 PandaOmics 提供了科学工具；而 MCP 则将这些工具连接至 AI 助手。其实用价值在于提供了一条从“科学专业化”走向“团队可审查与指导的研究工作流”的路径。
MMAI Gym将基础模型打造为科学领域的专业模型
MMAI Gym for Science 是 Insilico 的科学后训练与评估框架。所谓后训练（Post-training），是指将已经掌握通用能力的模型，针对明确的科学任务作进一步微调与适配。该平台利用科学数据、推理示例以及特定领域的训练，打造能够解决药物研发难题的专用模型。
这既为公司提供了一个改进模型的框架，也孵化出了一系列专为特定科学工作打造的“专业模型”。研讨会中展示的五款专业模型，可分别辅助研发项目中的不同决策：
- 激酶活性预测（Kinase activity prediction）： 评估化合物对激酶的活性，帮助研究人员对比这一重要生物靶点家族中的不同化合物。
- GPCR 活性预测（GPCR activity prediction）： 评估化合物对 G 蛋白偶联受体（GPCR）的活性，为先导化合物优先级排序及受体选择性评估提供支持。
- ADMET 预测（ADMET prediction）： 预测与吸收、分布、代谢、排泄及毒性相关的性质，帮助团队在开展进一步实验前评估化合物的体内行为特征。
- 单步逆合成分析（Single-step retrosynthesis）： 针对某一合成步骤提出可能的化学前体，协助化学家构思分子的制备路线。
- 治疗靶点发现（Therapeutic target discovery）： 协助遴选疾病研究中的优先生物靶点，为研发项目应聚焦何处提供决策依据。
相关成果表明了“专业化”的重要性。Insilico 指出，其模型在 70 多项化学与生物学基准测试任务中的表现，均达到或超越了当前的最优水平（SOTA）。在 ADMET 的示范中，InsilicoMMAI-4B-Chem-ADMET 与现有的专业方法展开竞争，并在多个展示的终点参数上表现出更低的预测误差。这些都是特定任务科学性能提升的典型例证。
评估可让模型性能真正服务于研究人员
DDD Benchmark 采用统一的数据集、数据划分方式及评价指标，为通用模型与科学领域专业模型的对比提供了通用测试环境。研究人员可按科学领域及具体任务查看结果，从而结合自身实际工作需求来评估模型的优势。该公司报告称，其已涵盖六大研发领域的 302 项基准测试。
O3DC 则在此基础上相辅相成，提供了一个包含各项基准测试及其适用范围和已知局限性的开放索引。它能帮助学术界与产业界评估某项基准测试是否适用于特定的科学问题。研讨会中介绍的基准测试服务还允许团队通过受保护的接口评估自家模型、获取私密报告，并将模型保留在其私有环境中。
紧凑型 Liquid 模型
LFM2-2.6B-MMAI 是与 Liquid AI 合作、基于 Gym 打造的一款紧凑型化学模型。公司表示该模型已开放直接测试，具备高效的本地化部署能力，并在指定任务上达到了当前最优水平（SOTA）。其 26 亿参数的体量意义重大，因为研究团队可以考虑将更小型的科学模型部署在自有基础设施中，这对于有特定部署要求和数据控制需求的情形尤为关键。该模型是一款独立模型，不同于对比测试中展示的 40 亿参数（4B）ADMET 专业模型。
虚拟衰老细胞（The Virtual Aging Cell）
虚拟衰老细胞是一个具备年龄感知能力的多智能体模拟平台，用于探索某种干预措施将如何影响人类生物系统。该公司介绍了一个协调众多专业智能体协同工作的系统，这些智能体在一个跨越分子、细胞、组织、系统及表型层面的共享因果图谱中运行。各专业智能体通过查阅科学文献与临床数据库，在保留每条关联背后的证据与推理依据的同时，将拟议的干预影响跨越上述各个层面串联起来。
Generative Biologics：表位推理与 MCP 连接器
Generative Biologics 提供了用于抗体、纳米抗体和多肽的结构设计、性质预测以及分子优化的工具。全新的表位预测工作流解决了鉴定出结合物后的一个实际问题：它可能与靶点的哪个部位发生相互作用？该工作流会返回按概率排序的预测结合区域以及可审查的结构模型，为研究人员提供可用于对比和深入调查的科学假设。
其 MCP 演示展示了一个智能体如何评估现有的抗体变体，并根据成药性性质整理出一份用于实验验证的候选短名单。其实用价值在于为“下一步测什么”提供了更清晰的决策依据，且包含可供审查的预测数据、可视化结果及可下载文件。在经过实验验证之前，这些科学输出始终作为计算层面的建议。
Chemistry42 将分子设计与合成路线规划深度结合
Chemistry42 将生成式 AI 与基于物理学的方法相结合，用于小分子药物研究。它将分子生成、性质评估、合成路线规划以及进一步的计算整合至单一环境中。Typed Excluded Volumes 功能为研究人员提供了空间控制手段，使其能够根据自身科学假设来引导分子设计。
ChemCensor 则为逆合成分析，即从目标分子反向推导可能合成路径的过程）引入了化学合理性评估。它通过调取已公开发表的合成先例数据来评估路线的可行性，帮助化学家严谨审视提议的合成路线。在包含 100 个靶点的 URSA-expert-2026 基准测试中，该公司报告称，Chemistry42 逆合成分析结合 ChemCensor 获得了 55% 的 Solv-2 分数，而 RetroChimera MCTS 和 AiZynthFinder MCTS 的得分分别为 32% 和 29%。这是在明确定义的计算路线规划基准测试中取得的一项成果。
PandaOmics 将生物学数据转化为结构化分析
PandaOmics 将组学与生物医学数据与靶点发现以及药物项目评估紧密连接。其智能体（Agent）现已成为研讨会中所介绍的默认交互界面：研究人员可以用自然语言提出问题，并获取包含支持性证据的分析结果。全新推出的技能可满足三项相互关联的研究需求：
- 单细胞特征分析（Single-Cell Signature）： 对不同细胞类型和疾病状态下的基因表达进行对比，使生物学差异更易于审视。
- 适应症优先级排序（Indication Prioritization）： 在一份结构化报告中，综合整合了疾病排名、生物学机制依据、基因证据以及药物与临床试验现状。
- CADD 结构审查（CADD Structural Review）： 评估靶点的结构可药性（druggability）与可开发性（tractability），帮助研究人员衡量其用于基于结构的药物发现的潜力。
此外，PandaOmics Classic 在 TargetID 中引入了得分权重 功能，使研究人员能够自定义调节各项证据在靶点排名中的贡献比例。保存这些偏好设置并将其包含在导出 CSV 文件中，有助于更轻松地保留和解释排名依据。
MCP 将科学引擎连接至 AI 助手
模型上下文协议（Model Context Protocol，简称 MCP）提供了一条连接通道，AI 助手可通过该通道调用软件工具。在 Pharma.AI 中，它允许 Codex、Claude Code 以及 Cursor 等兼容客户端接入这些科学平台。研究人员只需描述任务，智能体便会协调工具调用，并将结果返回至对话中，供后续审查与跟进。
Chemistry42 的演示展示了它如何在保留项目上下文并允许审查配置的同时，将分子生成、性质分析、候选分子筛选及进一步计算紧密串联。这表明了各项科学任务如何在无需每一步都手动重建工作流的情况下顺畅衔接。平台工具负责执行专业化的具体工作，而 AI 助手则负责全局协调。
关于英矽智能
英矽智能是一家全球先锋生物科技公司，致力于整合人工智能和自动化技术，加速药物发现并推动生命科学领域的创新，赋能人类更长久更健康的生活。2025年12月30日，公司于香港联交所主板挂牌上市，股票代码：03696.HK。
利用自主研发的Pharma.AI 平台和先进的自动化生物学实验室，英矽智能正在为纤维化、肿瘤学、免疫学、疼痛、肥胖和代谢紊乱等未满足的疾病领域提供创新药物解决方案。此外，英矽智能持续将Pharma.AI应用拓展到多元化领域，如先进材料、农业、营养产品及兽医药物。更多信息，请访问网站www.insilico.com